基于最小二乘支持向量回归机的锂离子电池SOH预测方法技术

本发明专利技术公开了一种基于最小二乘支持向量回归机的锂离子电池SOH预测方法，包括：对锂离子电池数据集进行预处理，提取锂离子电池数据集中的锂离子电池充电数据；根据锂离子电池充电数据，计算充电容量相对于电池端电压的微分，将微分作为纵坐标，微分对应的电池端电压作为横坐标，得到容量增量曲线；根据容量增量曲线提取出特征参数，所述特征参数包括容量增量曲线中三个峰的峰值高度、峰值位置、峰右斜率以及峰面积；利用PCA算法对锂离子电池数据集进行降维处理，将特征参数扩充至降维后的锂离子电池数据集中得到样本数据，将样本数据作为输入量，锂离子电池SOH作为输出量，训练最小二乘支持向量回归机；使用训练得到的最小二乘支持向量回归机模型预测锂离子电池SOH。本发明专利技术充分挖掘的小样本特征信息，从而提高了小样本特性下SOH预测精度。

【技术实现步骤摘要】

本专利技术涉及一种锂离子电池soh预测方法，尤其涉及一种基于最小二乘支持向量回归机的锂离子电池soh预测方法。

技术介绍

1、对锂电池soh的精准估计的技术方案包括电化学模型和数据模型两类。由于锂电池内部的电化学反应较为复杂，所以采用电化学模型的方法难以建立有效的预测模型，而数据驱动的故障预测方法核心是对有效的过程历史数据进行特征提取，并转化和表征为一种先验知识，以采集的过程数据为基础，无需建立精确的电化学模型，直接对设备的各类有效数据进行分析，通过各种智能算法，获取数据中隐含的退化特征，这些方法已应用于预测锂电池的soh。支持向量机( support vector machine，svm)是一种调节参数较少的数据驱动方法，但是实际预测效果对退化数据敏感，并且预测结果对模型参数不敏感，使其难以准确地预测锂电池的soh。人工神经网络因其易用灵活的优点，已广泛应用于预测锂电池的soh。现有技术已有用人工神经网络的的方法和传统数据驱动方法预测了锂电池的soh，结果表明，人工神经网络的方法更有效。有资料显示，使用了bp神经网络预测锂电池容量并取得了良好的效果。然而本文档来自技高网...

【技术保护点】

1.一种基于最小二乘支持向量回归机的锂离子电池SOH预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于最小二乘支持向量回归机的锂离子电池SOH预测方法，其特征在于：还包括利用LMS算法对容量增量曲线进行去噪处理。

3.根据权利要求1所述的基于最小二乘支持向量回归机的锂离子电池SOH预测方法，其特征在于：所述峰右斜率是顶点与中点连线斜率；峰面积是相邻谷点之间所夹面积。

4.根据权利要求1所述的基于最小二乘支持向量回归机的锂离子电池SOH预测方法，其特征在于：最小二乘支持向量回归机的目标函数为：

5.根据权利要求1所述的基于最小...

【技术特征摘要】

1.一种基于最小二乘支持向量回归机的锂离子电池soh预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于最小二乘支持向量回归机的锂离子电池soh预测方法，其特征在于：还包括利用lms算法对容量增量曲线进行去噪处理。

3.根据权利要求1所述的基于最小二乘支持向量回归机的锂离子电池soh预测方法，其特征在于：所述峰右斜率是顶点与中点连线斜率；峰面积是相邻谷点之间所夹面积。

4.根据权利要求1所述的基于最小二乘支持向量回归机的锂离子电池soh预测方法，其特征在于：最小二乘支持向量回归机的目标函数为：

5.根据权利要求1所述的基于最小二乘支持向量回归机的锂离子电池soh预测方法，其特征在于：最小二乘支持向量回归机的核函数为：

6.根据权利要求1所述的基于最小二乘支持向量回归机的锂离子电池soh预测方法，其特征在于：最小二乘支持向量回归机...

【专利技术属性】
技术研发人员：刘畅，杨定富，吴振，朱恩泽，黄延凯，
申请(专利权)人：中国人民解放军三二二一四部队，
类型：发明
国别省市：